The distribution and predictors of cyanobacteria and their toxins across a wide range of Canadian lakes
Notice bibliographique
Résumé
Au cours des dernières décennies, l’augmentation de la fréquence et magnitude des efflorescences a été documentée dans plusieurs lacs mondiaux, ce qui a galvanisé les efforts visant à identifier les facteurs qui promouvaient la biomasse des cyanobactéries et de leur structure communautaire. Malgré l’attention aux cyanobactéries comme mesure cible de la qualité de l’eau, il n’y a pas eu de programme d’échantillonnage systématique ou d’examen complémentaire des facteurs influençant l’abondance des cyanobactéries et de leurs toxines dans les lacs à l’échelle nationale au Canada. Ma thèse de doctorat utilise un programme d’échantillonnage de lacs à grande échelle avec des centaines de lacs pour fournir un portrait global des dynamiques contemporaine des cyanobactéries à travers le Canada. Spécifiquement, elle vise à (1) quantifier les modèles spatiaux de la biomasse des cyanobactéries et à identifier leurs prédicteurs; (2) évaluer la congruence entre les méthodes traditionnelles et modernes pour générer la composition des communautés; et (3) quantifier l’abondance des cyanotoxines (microcystines) et leurs prédicteurs. Dans mon premier chapitre, j’ai démontré que la biomasse des cyanobactéries était significativement plus élevée dans le centre du Canada. J’ai démontré que malgré la prise en compte d’une gamme exhaustive de variables, les résultats corroborent avec les études antérieures identifiant les nutriments, en particulier le phosphore, comme le meilleur prédicteur de la biomasse et de la composition des communautés de cyanobactéries. Dans ce chapitre, j’ai également été en mesure d’éclairer sur une composante souvent négligée des modèles de prédiction des cyanobactéries: les variables biotiques. Plus précisément, j’ai constaté que la biomasse des daphnies et des copépodes était positivement liée à la biomasse des cyanobactéries, ce qui pourrait être dû à une variété de facteurs, notamment la libération de la prédation de zooplancton, les sources de nourriture alternatives pour le zooplancton et/ou les adaptations évolutives. Dans l’ensemble, étant donné qu’une grande matrice de prédicteurs potentiels a été prise en compte et que les meilleurs modèles ont expliqué ~50% de la variation des cyanobactéries, je pense que nous avons potentiellement maximisé le pouvoir prédictif dans l’analyse des échantillons ponctuels sur les cyanobactéries morphologiquement identifiées. Dans mon deuxième chapitre, j’ai mené une analyse comparative en utilisant deux méthodes différentes d’assignation taxonomique des communautés de cyanobactéries: la microscopie optique traditionnelle et le métabarcodage de l’ADN. En utilisant un ensemble de données sur 370 lacs, j’ai quantifié la congruence entre les communautés de cyanobactéries générées par chaque méthode taxonomique et l’accord modéré mais significatif entre les méthodes. Les deux méthodes étaient plus congruentes dans le sous-ensemble des lacs riches en nutriments, et à des niveaux plus grossiers d’assignation taxonomique. Dans l’ensemble, nous avons démontré que la microscopie et le métabarcodage de l’ADN ne donnent pas nécessairement des communautés de cyanobactéries identiques mais fournissent des informations complémentaires. Enfin, dans mon troisième chapitre, j’ai étudié la concentration, la distribution et les prédicteurs des microcystines totales et caractérisé les profils de leurs congénères spécifiques dans les lacs canadiens. Les concentrations de microcystines étaient généralement faibles par rapport aux directives réglementaires, mais plus élevées dans les lacs des Prairies et des Plaines boréales. L’une des principales conclusions de ce chapitre est qu’une variété de congénères de microcystines moins courante étaient présente dans les lacs canadiens, mais que les deux plus abondants étaient MC-LR et MC-LA. En général, l’abondance relative des congénères n’était que modérément corrélée aux variables environnementales, ce qui suggère que d’autres facteurs régulent leur production
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».